汽车驾驶辅助中雾天图像增强算法的对比研究

汤旭，李婕（通讯作者），孙园翔，周宇晗

（湖北工业大学电气与电子工程学院，湖北武汉，430068）

0 引言

雾是一种自然的天气现象，它导致能见度降低，霾则是由空气中大量微小粒子所导致的空气浑浊，其核心物质是悬浮于空中的细微灰尘，即气溶胶颗粒。在雾霾的影响下，图像和视频的对比度会有所降低、清晰度会退化。因此，在对户外采集到的图像进行处理时，雾霾会产生恶劣的影响。所以，去雾技术去除图像中雾霾信号的干扰、恢复清晰的图像内容、保正驾驶辅助系统的安全性等方面的研究，具有重要意义。

1 图像去雾的基本思路

图像去雾发展至今主要有两个基本的思路，本文的该部分主要参照了文献[1]中提到的两个角度。

■1.1 图像增强的角度

去雾作为图像增强的方法中的一种，其不关心导致图像退化的具体因素，仅对图像中有价值的部分进行增强，去掉无用部分。一般来说，雾天图像经过图像增强后对比度较之增强前会有明显提高，去雾后的图像会更加符合人的视觉习惯，并且会较之去雾前更加适合计算机进行图像处理。不过，通常情况下去雾后的图像会有一些较为严重的失真。

1.1.1 直方图均衡去雾

该方法的基础是概率累积函数变换法，通过把已知图像的灰度概率分布转变成均匀概率分布的手段，来提高图像的对比度。全局直方图均衡化是一种基本的算法，绝大多数的研究者在进行去雾效果的对比时，都会与该方法进行比较。但是这种方法是对并没有考虑到图像的局部特征，当整幅雾天图像的场景景深单一时，这种方法会获得不错的去雾效果。然而，实际生活中，场景景深总是复杂的并且差距会较大，对整个图像做同一种处理就很容易会丢失边缘特征，即失真。当单幅图像中的R，G，B三个分量中有某个分部的较为极端时，简单的来说就是某种颜色比较突出时，对进行全局直方图均衡化的时候明显的不合理的，甚至会令这种颜色更加突出。

1.1.2 基于Retinex理论的去雾算法

基于Retinex理论[7]的去雾算法认为物质是其实都是无色的，颜色只是光与物质作用后的结果，因此物体的颜色取决于物体表面对光线的反射特性，每个颜色是由色光三原色红、绿、蓝中的一种或多种构成的，只跟物质本身的物特性有关系。其与传统的线性或者非线性算法不尽相同，传统的线性或者非线性图像处理算法只是突出图像的某一类特征，只是单方面的增强或削弱某类信息，无法在多个方面共同满足处理要求。而Retinex算法能够在缩小图像颜色动态范围、边缘锐化提取和颜色恒常性等多个领域都有较好的发挥，因此可对类型互不相同的因雾霾导致的低清晰度图像进行随机增强。Retinex的多种图像处理方法都适用于图像去雾处理中，可达到增强对比度和边缘信息的效果。

■1.2 物理模型的角度

该方法认为图像退化的第一因素是雾，通过精确的雾天成像模型，将图像退化的全过程进行反向推算，还原出无雾的图像，这种方法仅对雾天图像有效，还原后的去雾图像效果较好，边缘特征没有较大丢失。模型参数的估算是该方法的要害，参数的数值直接影响图像还原的结果。

暗通道先验去雾算法：何凯明等提出过简便易行的图像复原方法，其基础是暗原色先验的单幅图像去雾算法。这种方法去雾效率极高。文献[8]中提到，在天气晴朗时拍摄的图像RBG三通道中总会有一些颜色通道值低的点。出现雾霾的时候，利用空气中光对它们的影响，估算此时雾霾的浓度。然后，根据雾的浓度复原无雾图像。但在使用这种方法的过程中，同样存在着透射率求解不够精确、计算耗时等问题。

2 图像去雾算法介绍

■2.1 直方图均衡去雾

直方图均衡化算法即是把灰度图像进行非线性拉伸，将图像的像素值从新进行分配，使一定灰度范围内的像素数量大致相同。假定变换函数如式（1）所示:

图1 直方图均衡化处理流程

■2.2 Retinex去雾算法

Retinex理论指出一幅给定的图像S(X,Y)可以分解为两种不同的图像的和，如式(2)所示。

其中，R(X,Y)为反射图像、L(X,Y)为亮度图像（或入射图像）。该理论利用图像S来获取物体的反射特性，想办法消除或者减少入射光L的影响，恢复物体的真实亮度。

单尺度的Retinex算法最简单基础，因此给出广义上的Retinex去雾算法大致步骤：

step1：通过取对数的方法区分入射光分量和反射光分量；

Step2：一般会把最终的反射图像假设的作为空间平滑图像，所以可用高斯模板对图像做卷积，这相当于使用一个低通滤波器进行低通滤波，低通滤波后的图像为D(X,Y)，F(X,Y)表示高斯滤波函数;

Step3：在对数域中，用原图像与低通滤波后的图像相减，得到高频增强图像G(X,Y)。

Step4：把G(X,Y)取反对数，得到增强后的图像R(X,Y)；

■2.3 暗通道先验去雾算法

暗原色先验理论通过分析无雾图像的特征，获取一种特定的规律，称之为暗原色先验。在了解暗通道前，先回顾一下大气散射模型：

式（7）中，I(x)表示未处理的初始图像，J(x)表示要还原的无雾图像，A为全球大气光成分，t(x)表示介质透射率。先验理论认为在大部分非天空的局部区域里，RBG三通道中总会有一些颜色通道值低的点，这片区域中光强度的最小是是一个极小的数。

Jdark称为图像J的暗原色，理论上这个值非常小，并且会无限趋近于0，Jc为图像J的RBG三通道中的一个，Ω( x)是以 x 为中心的局部块区域。通过式（7）可知，要获得去雾图像首先必须获得透射率 t与环境大气值 A。

在使用暗原色先验理论进行图像去雾时，首先通过暗原色先验理论计算获得雾天图像的暗原色图。第二步假设大气光值A已知，通过暗原色图对图像透射率 t 进行估算，获取图像透射率的传输图。第三部通过暗原色对大气光值进行估算，这个时候A 和 t 都有了估计值，可以通过式(7)求出对应的去雾图像。

其中，c表示r，g，b三个颜色通道。对上式两边求最小值得到：

由先验理论有：

现实中要对雾进行一定量的保存，将结果修正为：

在此算法中影响效果的主要有两点，一是窗口的大小，窗口选择的越大去雾的效果越不明显最为合适的大小为15×15，其次是由于ω值的选取，去雾效果与ω值的大小成正比。

3 去雾方法的结果对比及分析

■3.1 直方图均衡去雾结果及分析

本论文去雾算法都是通过matlab仿真处理，直方图去雾主要运用了matlab中自带的直方图均衡对原图像的三色分量图进行直方图均衡化，然后将处理后三色图融合成完整的图片即可。该方法去雾效果对比如图2所示。

由以上结果可以看出，在进行全局去雾时，尤其是对场景单一，雾分布均匀时直方图去雾的方法有较好的效果，如图2(b)。但是在处理雾浓度大的图片是效果就不太理想，对局部处理效果欠佳，如图2(d)中明显将图片的右下角中非雾部分过度增强，影响到了整体的去雾效果，图2(f)中也有着类似的问题，把图中的天空部分进行了过度增强。

■3.2 Retinex去雾结果及分析

应用Retinex算法去雾时，从利用matlab来实现的代码来说相对而言比较复杂，按照上述的思路利用matlab编程分别实现对原图的三个图像分量图进行处理，最终也要将色彩分量图进行融合来获取完整的处理后的图像。该方法去雾效果如图3所示。

由以上结果可以看出Retinex算法的去雾效果较好，但是在处理多彩色图片的时候会失真，如图3(d)中处理过的图像在色彩较多的地方出现失真，而且在全局上的处理还是不完善。

■3.3 暗通道先验去雾结果及分析

应用暗通道先验算法实现去雾时，具体的实现原理详见2.3小节，与Retinex算法去雾不同的是，暗通道去雾的方法估算了空间的透射率，但应用暗通道先验去雾可直接对原始图片进行相应的处理，不需要对原始图片的彩色分量图进行处理。本文中的算法ω的值经过调试后选取为0.85，在这个ω值下处理的图片使人看起来最为舒适。该方法去雾效果如图4所示。

由图4所示，经过暗通道处理的结果图偏暗，但是能够处理雾浓度很大的远距离物体，去雾的效果也比较明显但是物体的边缘有一些模糊。但很明显的是经处理后的图像较好的实现了去雾，而且对原图色彩的保真性很高，人眼看起来更为舒适，同时由于保留了部分雾气所以结果更接近人所看到的实际场景。

图2 直方图去雾效果

图3 Retinex去雾效果

图4 暗通道去雾效果

■3.4 结果和分析

对于直方图均衡化和Retinex去雾算法的结果失真的问题，经过分析可知由于这两方法都是通过使用非模型的增强的方法，来对图像的对比度以及亮度进行一定程度的提高，没有考虑有雾图像降质的原理以及导致降质的因素方面的处理方法，仅仅是提高了图像的视觉效果而已，并不是真正意义上的去雾。而暗通道的方法是则是基于物理模型的复原方法实现了去除雾气，在图片保真上的优点就很明显了，但是暗原色先验最为人诟病的也就是其计算的空间复杂度以及时间复杂度，也就表现在其计算的速度比较慢，在这个方面有不少学者都提出了改进的算法，例如文献[3]中提出了用图像插值法来提高图片去雾的实时性。值得一提的是在去雾这个领域中，各种算法都不是绝对的独立的，所以也就有了各种将以上方法联合起来使用以达到更好的去雾效果，如文献[2]和文献[4]中都是将两种中方法结合起来应用到实际中从而获得更好的效果。

4 结论

本文主要研究了直方图均衡，Retinex算法及暗通道先验算法的原理，并在计算机上应用matlab实现了用上述算法对图像进行去雾处理，分别用这三种算法处理图片说明了其可行性及优点，然后对这三种算法的处理结果进行对比，分析了各自的不足，同时在相关的文献中找到了对应的改进办法。本文相对而言做的较多的是各自算法的实现及对比，相关的改进算法有待继续学习与研究。